惡天候 속 LiDAR 의미론적 분할의 혁신: 안전을 위한 '사물' 인식의 중요성

박준성, 이휘정, 강인하, 심현정 연구원팀은 악천후 속 LiDAR 의미론적 분할에서 '사물' 클래스의 정확도를 높이는 NTN 기법을 개발했습니다. 의미 수준과 지역적 특징 손상 문제를 동시에 해결하여, 자율주행 안전성 향상에 기여할 것으로 기대됩니다.

惡天候 속 LiDAR 의미론적 분할의 혁신: 안전을 위한 '사물' 인식의 중요성

자율주행 자동차의 눈과 같은 LiDAR는 악천후 속에서도 정확한 환경 인식을 위해 필수적입니다. 하지만 비, 눈, 안개 등의 악천후는 LiDAR 데이터의 정확성을 크게 떨어뜨려, 안전 운행에 심각한 위협이 될 수 있습니다. 특히, 자동차와의 충돌 위험이 높은 '사물'(things, 예: 자동차, 사람) 카테고리의 인식률 저하는 자율주행 기술의 발전에 있어 가장 큰 걸림돌 중 하나입니다.

박준성, 이휘정, 강인하, 심현정 연구원 팀은 최근 발표한 논문 "No Thing, Nothing: Highlighting Safety-Critical Classes for Robust LiDAR Semantic Segmentation in Adverse Weather" 에서 이러한 문제에 대한 혁신적인 해결책을 제시했습니다. 기존의 도메인 일반화 방법들이 '사물' 카테고리보다 '배경'(stuff, 예: 도로, 나무) 카테고리의 예측 정확도가 높다는 점에 주목한 연구팀은, 악천후가 의미 수준의 특징과 지역적 특징 모두에 손상을 입힘으로써 '사물'을 '배경'으로 잘못 분류하는 현상을 발견했습니다.

이를 해결하기 위해 연구팀은 NTN (segmeNt Things for No-accident) 이라는 새로운 방법을 제안했습니다. NTN은 다음과 같은 두 가지 핵심 전략을 사용합니다.

1. 의미 수준 특징 손상 방지: 각 점 특징을 상위 클래스에 연결하여 시각적으로 유사하지 않은 카테고리로의 잘못된 예측을 방지합니다. 이는 마치 사물의 본질적인 특징을 보존하여 오인식을 줄이는 것과 같습니다.
2. 지역적 특징 손상 완화: 각 LiDAR 빔을 지역 영역으로 정의하고, 깨끗한 데이터와 손상된 데이터 간의 특징 공간 정렬을 위한 정규화 항을 제안합니다. 이는 마치 악천후로 인한 노이즈를 제거하고 신호를 강화하는 것과 같습니다.

NTN은 SemanticKITTI-to-SemanticSTF 벤치마크에서 +2.6 mIoU, SemanticPOSS-to-SemanticSTF 벤치마크에서 +7.9 mIoU의 성능 향상을 달성했습니다. 특히, '사물' 클래스에서 각각 +4.8 mIoU와 +7.9 mIoU의 놀라운 개선을 보여주어, 악천후 속에서의 '사물' 인식 정확도 향상에 탁월한 효과를 입증했습니다.

이 연구는 악천후 속 자율주행 안전성 향상에 중요한 기여를 할 것으로 기대되며, LiDAR 의미론적 분할 분야의 새로운 이정표를 제시했습니다. 앞으로 더욱 발전된 기술을 통해, 우리는 더욱 안전하고 신뢰할 수 있는 자율주행 시스템을 만날 수 있을 것입니다.